Många av er har säkert läst en hel del om maskininlärning och AI på sistone, även här på vår sajt, i samband med nya algoritmer på sociala medier och inom marknadsföring. Det kan tyckas som något av ett modernt “buzzword”, men i själva verket är det ett begrepp i stort sett lika gammalt som den moderna datorn.
I en artikel i TechCrunch kan den som är nyfiken läsa lite om maskininlärning och Artificiell Intelligens, och några av de stegen som krävs för att förstå (eller snarare sagt, få det att verka som att man förstår) maskininlärning.
Stora mängder data och information skapar inte intelligens. Tidigt i datorns utveckling hoppades många – även seriösa forskare – att bara man stoppade in tillräckligt med data och info i en dator, så skulle den tids nog utveckla intelligens. Nu visar det ju sig rätt snart att så icke är fallet. Datorer kan inte själva tolka och dra slutsatser från information på samma sätt som människor kan.
Läs mer: Tieto väljer in Alicia T – en AI – till ledningsgruppen
Istället så kan man hjälpa datorerna att resonera och analysera den data vi ger dem, så att de kan generalisera och därmed skapa en “förståelse” av något. Mycket av det vi läser om inom modern AI-forskning är just det; verktyg och ramverk som hjälper datorerna att förstå och analysera den data vi ger dem.
De flesta frågeställningar som maskininlärningen ställs inför kan lösas med hjälp av “klassifikation” eller “regression”. De förstnämnda metoderna går ut på att kategorisera data, medan regression är en modell som i stort sett extrapolerar trender för att utifrån dem skapa förutsägelser.
Klassificeringsmetoden används bland annat i våra mailboxar för att separera skräppost från vår vanliga mail – det handlar i stort sett om att mängden inmatad data vägs mot varandra, och resulterar i en binära svar (“ja” eller “nej”). Innehåller mailet sedan tidigare kända fraser eller adresser vanliga för skräppost? Om svaret ja så är filtreras det.
Ja, det är förstås svårare än så. När man samlar ihop flera av dessa klassificeringsmetoder så kallas de neurala nätverk – men nästa steg är ännu svårare och kallas för “deep learning”. Där finns samma neurala nätverk, men dessa har fler “lager”.
Tanken är att dessa “lager” ska hjälpa maskinerna att göra sådant som vi människor kan göra utan större ansträngning, såsom abstrakta begrepp. Men det har än så längre varit svårt att helt tillfredsställande använda sig av dessa nya metoder, även om man har kommit på en del nya saker.
Detta är också något av maskininlärningens stora problem, och det som gör att vi trots enorma framsteg inom utvecklingen av AI-teknologin fortfarande har långt kvar till fiktionens supersmarta robotar.